Prix Nobel de physique 2024 sur l'intelligence artificielle

le prix Nobel de physique 2024 est peut-être l'un des plus importants de ces dernières années il récompense des travaux révolutionnair sur l'intelligence artificielle beaucoup de choses vont changer grâce à cette invention on va pouvoir développer des véhicules autonomes on va drastiquement améliorer les diagnostics à partir d'images médicales on va créer des robots toujours plus sophistiqués la liste est très longue peu de gens le savent mais l'IA qu'on utilise aujourd'hui a été créé à partir de mod venant de la physique on va parler des idées géniales qui ont permis à lia de voir le jour de

ce que ça nous dit sur le fonctionnement de notre propre cerveau et il y a une controverse pour savoir si c'est légitime de donner un prix Nobel de physique à des travaux en informatique je vais vous dire pourquoi je pense qu'en fait c'est totalement justifié le prix a été attribué à John hfield et à Geoffrey Everest inton c'est le descendant de George Everest celui qui a donné son nom au mont Everest on va commencé par John hfield c'est lui qui dans les années 80 a posé les bases de l'apprentissage machine en anglais le machine learning

qui est au cœur de l'intelligence artificielle moderne avant lui les ordinateurs fonctionnaient uniquement sur la base d'algorithme qui ressemblait à des recettes de cuisine où on suivait les étapes une par une quand vous faites un gâteau vous suivez un algorithme par exemple si les œufs datent un peu vous allez tester s'ils sont frais en les plongeant dans l'eau vous allez tester des conditions si les œufs coulent c'est bon ils sont encore frais s'ils flottent vous pouvez les jeter à la poubelle les ordinateurs font ça tout le temps ils vont tester certaines conditions et suivant le

résultat ils vont agir d'une manière ou d'une autre c'est pas du tout comme ça que notre cerveau fonctionne si un de vos amis vous appelle en numéro caché dès que vous entendez sa voix vous allez le reconnaître votre cerveau ne va pas se mettre à comparer la voix au téléphone avec la voix de tous vos amis un par un si vous donnez ce problème à un ordinateur à l'ancienne l'algorithme va extraire les données de la voix au téléphone et il va les comparer à la voix de Bertrand de gonrand de Germain de firmain si vous

avez beaucoup d'amis ça va prendre du temps à l'inverse votre cerveau il a en mémoire les différentes voix de vos amis et à partir de la voix au téléphone il va se diriger directement vers la bonne solution hfield va donc s'inspirer de la structure du cerveau pour fabriquer des machines plus efficaces opfield c'est un physicien mais il a travaillé également en biologie le fait d'être à la rencontre de plusieurs domaines la physique la biologie l'informatique ça l'a beaucoup aidé dans le cerveau les neurones sont connectés les uns aux autres et l'état d'un neurone va dépendre

de l'état de ses voisins ou en tout cas des neurones qui lui sont reliés hfield va imaginer des neurones artificiels qui font fonctionne un peu de la même manière le but c'est de disposer un certain nombre de neurones et de les relier entre eux de la bonne façon la première idée géniale c'est de copier un fonctionnement qui est connu dans le cerveau humain quand deux neurones sont activés en même temps leur connexion va se renforcer c'est ce qui crée les associations si pendant un mois à chaque fois que je donne à manger à mon chien

je sonne une cloche les neurones vont être activés en même temps et si un jour je fais uniquement sonner la cloche sans lui donner à manger et ben il va venir réclamer parce qu'une connexion se sera formé entre les neurones associés à la cloche et les neurones associés à la nourriture pour simplifier on va dire qu'un neurone artificiel peut être seulement dans deux états l'état activé qu'on va numéroter + 1 et l'État désactivé qu'on va numéroter -1 ce neurone est connecté à un certain un nombre de voisins et il va y avoir deux types de

connexions les connexions positives en vert avec des neurones qui ont envie d'être dans le même état que le neurone central en biologie ça correspond au neurones excitateurs et des connexion négative en rouge avec des neurones qui ont envie d'être dans des états opposés en biologie ça correspond au neurone inhibiteur donc quand vous considérez deux neurones le neurone I et le neur neurone J il faut prendre en compte l'état du neurone i qu'on va appeler si si est égal à + 1 ou à -1 si le neurone est activé si est égal à +1 si le

neurone est désactivé si est égal à -1 il faut aussi prendre en compte l'état du neurone j qu'on va appeler SJ et enfin il faut prendre en compte la connexion entre les deux cette connexion on va l'appeler W notre but je Rael c'est que la connexion se renforce quand les deux neurones sont activés en même temps donc je veux une connexion positive en vert quand les deux neurones valent tous les deux + 1 ou tous les deux -1 et à l'inverse si les neurones sont dans des états différents on va mettre une connexion négative en

rouge parfois et c'est là que ça devient intéressant les connexions ne sont pas les bonnes ici on a deux activé en même temps dans l'état + 1 il devrait y avoir une connexion positive en verre entre les deux et malheureusement la connexion elle est négative en rouge il y a un conflit John hfield va alors trouver une formule qui mesure le conflit total dans tout le réseau de neurones si et SJ ce sont les états des deux neurones connectés W c'est la connexion qui est rouge ou verte et ce symbole ça veut dire qu'on fait

la somme sur toutes les connexions du réseau nous ce qu'on veut c'est minimiser le conflit et donc on veut que cette formule prenne une valeur la plus petite possible et c'est là où le fait que hfield soit physicien va jouer un rôle [Musique] important il en physique où il y a également des objets qui interagissent avec leurs voisins c'est le domaine du magnétisme pour connaître les propriétés magnétiques d'un matériau par exemple un morceau de fer on va modéliser tous les atomes de ce matériau comme des petits aimants un aimant c'est composé d'un pôle Nord et

d'un pôle Sud donc ça pointe dans une certaine direction on peut représenter ça par une flèche la grandeur physique associé à cette flèche on appelle ça le spin donc les atomes ont des spins orientés dans toutes les directions en fait en pratique les directions de ces flèches ne vont pas être aléatoires les atomes interagissent avec leurs voisins donc si l'atome central il voit que tous ses voisins ont leur spin orienté vers le haut et ben à cause des interactions il va suivre le mouvement et lui aussi il va avoir un spin qui va s'orienter vers

le haut le spin de l'atome i on le note si le spin de l'atome J on le note SJ et vous me voyez peut-être venir l'interaction entre les deux on va la noter W depuis longtemps on sait calculer l'énergie totale de ce genre de système la formule est la suivante l'énergie totale est égale à moins la somme des W I J x si X SJ c'est exact ement la même formule qui permettait de calculer le conflit entre les neurones si c'était l'état du neurone actif ou inactif ici ça va être le spin de l'atome et

dans les deux cas W c'est l'interaction c'est le lien soit entre les deux spines soit entre les deux neurones et donc hfield il va carrément dire que dans le réseau de neuron le conflit c'est la même chose que l'énergie au lieu de min minimiser le conflit on va minimiser l'énergie ça revient au même ça en plus c'est un comportement qui est très courant en physique les systèmes ont tendance à minimiser leur énergie ça vient du second principe de la thermodynamique si ça vous intéresse ces derniers mois j'ai fait quelques vidéos sur le sujet donc on

résume on veut imiter le comportement des neurones biologiques on veut imiter le fait que quand deux neurones sont activés en même temps leur connexion se renforce pour ça hfield établit une formule qui mesure le conflit entre les neurones et comme il est physicien il va se baser sur la formule qui mesure l'énergie des spines dans les système [Musique] magnétique grâce à cette formule le réseau de neurone va pouvoir stocker des éléments en mémoire par exemple on va lui donner plein d'images de la lettre a écrite de manière différente et il va stocker ça en mémoire

on fait la même chose avec toutes les lettres de l'alphabet donc là on a entraîné le réseau et ensuite on va lui donner une image un peu flou une lettre un peu mal écrite et le réseau va vous dire à quelle lettre ça ressemble le plus le point important le point vraiment révolutionnaire de cette invention c'est que le réseau de neurones ne va pas faire ça avec un algorithme linéaire il ne va pas suivre de recette étape par étape c'était l'exemple qu'on avait donné avec la voix de votre ami au téléphone un algorithme classique il

serait obligé de comparer le son avec des milliers d'éléments qu'il a stocké de manière un peu laborieuse le réseau de neurone il va beaucoup plus vite il fait comme vous à partir du signal en entrée il va se diriger directement vers la bonne réponse il va tomber vers la bonne réponse il y a vraiment cette idée de tomber de descendre on va voir pourquoi juste après et le réseau il va réussir à faire ça parce que vous l'avez entraîné juste avant quand vous lui donnez plein de lettres à analyser ce qui se passe c'est que

le réseau va modifier les interactions entre les neurones il va modifier les liens wij c'est comme ça que le réseau apprend il change les liens il change les interactions wij entre les neurones mais les W on l'a vu ils sont dans la formule de l'énergie donc quand vous entraînez le réseau vous modifiez les wij et donc vous modifiez l'énergie on peut représenter l'énergie comme une surface avec des creux et des bosses chaque point de la surface correspond à une image avec des pixels qui prennent telle ou telle valeur au fond des creux l'énergie est basse

et donc c'est là que le système va se diriger le système a tendance à baisser son énergie vous allez donner au réseau de neuron plein d'images de la lettre A il va apprendre ce que c'est que la lettre A en modifiant les interaction W et donc ça va modeler le paysage de l'énergie avec des creux et des bosses qui vont se former c'est un peu ce qui se passe quand vous apprenez quelque chose dans votre cerveau il y a de nouvelles connexions qui se forment entre les neurones ici c'est pareil on modifie les interactions wij

et comme l'énergie dépend des wij quand le réseau apprend il y a des creux qui vont se former ce creux par exemple a été causé par l'apprentissage de la lettre A et ce qui est très pratique c'est que sur une même surface vous allez pouvoir stocker d'autres éléments en mémoire vous allez creuser d'autres creux à d'autres endroits par exemple ici ça correspond à la lettre B là ça correspond à la lettre C et cetera [Musique] ça c'était la phase d'apprentissage on est passé d'une surface plate à une surface avec des creux maintenant on peut passer

à la phase d'utilisation je dessine une lettre chaque pixel de l'image va correspondre à un neurone et pour simplifier on va dire que le pixel est soit noir soit blanc donc le neurone associé au pixel va être soit activé dans l'état + 1 soit désac i dans l'état -1 et moi ce que je veux c'est comparer le dessin que j'ai fait à la mémoire qui est stocké dans le réseau je vais regarder si mon dessin est compatible avec le réseau je mets les valeurs des pixels noirs ou blanc donc plus 1 ou -1 et je

regarde si c'est compatible avec le réseau avec les liens W je regarde s'il y a pas trop de conflit ici par exemple c'est parfait le neurone central est dans dans l'état + 1 les neurones de gauche aussi les liens entre eux sont verts quand le lien est vert on veut que les deux neurones soient dans le même état et ici ça marche et à droite les liens sont rouges on veut que les neurones soient dans des états opposé et c'est bien le cas les neurones de droite sont dans l'état -1 alors que le neurone central

est dans l'état + 1 donc là tout va bien il n'y a aucun conflit par contre si je dessine comme un pied et que le neurone tout à gauche est dans l'état -1 le lien est vert il faut que les deux neurones soient dans le même état et ici c'est pas le cas donc il y a un conflit nous on veut pas qu'il y ait de conflit on veut que la lettre que j'ai dessiné soit la plus proche possible des images qui sont stockées en mémoire donc on va modifier les pixels on va modifier les

neurones un Parin pour faire baisser le conflit et on l'a vu le conflit c'est la même chose que l' et c'est représenté par cette surface avec des creux et des bosses donc à partir de mon dessin moche on va modifier les pixels pour faire baisser le conflit pour faire baisser l'énergie et baisser l'énergie ça revient à descendre dans ce paysage ça revient à tomber dans les creux donc vous partez d'un certain point sur la surface ça correspond à l'image que j'ai dessiner et vous descendez vous baissez en énergie jusqu'à tomber dans le le creux le

plus proche si vous tombez dans ce creux le réseau de neurones il va vous dire bon ok ton dessin il était moche mais j'ai reconnu j'ai reconnu que c'était plutôt un a c'est un peu la même chose qui se passe dans votre cerveau même si la ressemblance est vague vous allez trouver des points communs vous comparez par exemple un visage à tous ceux que vous avez en mémoire et votre cerveau se dirige vers la solution la plus proche le réseau va forcément tomber dans un creux dans un minimum donc même si l'image est bruitée même

si l'image est floue il va faire un choix par exemple si je fais ce dessin et que je le je sais vraiment pas dessiner hein et que je donne ce dessin à chat GPT il va reconnaître que ce sont les lettres A et Z je lui ai même pas dit que c'était des lettres il va même pouvoir décrire les émotions des bonhommes alors il se trouve que chat GPT ne se base pas sur les réseaux de hfield dont on vient de parler mais sur quelque chose de plus performant qui a été justement mis en place

par le second lauréat du prix Nobel Joffrey [Musique] inintton le problème des réseaux de hfield c'est que vous ne pouvez pas stocker beaucoup de choses en mémoire si j'ajoute trop d'éléments en mémoire les creux vont être trop proches les uns des autres ici par exemple si je veux veut rajouter la lettre D en mémoire je vais rajouter un creux mais si je le mets trop proche de celui-là bah ils vont se mélanger vous voyez ici on n'a pas créé deux creux distincts donc ça va pas fonctionner au bout d'un moment il y a plus assez

de place vous pouvez pas stocker autant d'éléments que vous voulez inton va résoudre ce problème en rajoutant dans le réseau ce qu'on appelle des neurones cachés tout à l'heure on avait associé un neurone à chaque pixel inton va intercaler une couche intermédiaire de neurones entre les neurones associés au pixel et le résultat ces neurones intermédiaires ces neurones cachés ne correspondent à rien à priori ce sont pas des pixels mais le réseau va les utiliser il va utiliser ces neurones cachés pour compresser les informations et comme ça il va réussir à stocker beaucoup plus de choses

ce qui va être St dans ces neurones cachés ce sont les structures à grande échelle de l'image grâce à ça au lieu de rester le nez collé à l'image en regardant pixel par pixel on dézoome un peu on prend du recul et on détaille les structures la couche cachée permet d'interpréter les données et de faire apparaître des structures le réseau neurone va pouvoir trouver les points communs entre les images il va faire des généralités et d'une certaine manière il va mieux comprendre les données c'est pas le même genre de compréhension que ce que fait le

cerveau humain mais mon avis personnel c'est que c'est bien de la compréhension après bien sûr ça dépend de la manière dont on définit ce que c'est que comprendre alors des couches cachées on peut en mettre plusieurs on a un réseau qui est plus profond qui va faire de l'apprentissage profond en anglais du Deep learning donc ça c'était la première amélioration les neurones cachés et deèe chose parfois dans le paysage qu'on trace pour l'énergie il y a des petits creux qui vont se former donc on est un peu embêté parfois le réseau il va tomber dans

ce petit creux dans ce minimum local et il va donner une solution qui n'est pas optimale par exemple ici il y a un petit creux qui s'est formé mais on préférerait que le système descende dans le creux profond à côté ça correspondrait à une solution qui est bien meilleure qui a une énergie bien plus basse et pour résoudre ça l'autre idée importante de inton c'est d'ajouter de l'alléatoire le réseau de inton ne va pas tout le temps descendre vers les basses énergies de temps en temps de manière aléatoire il va remonter un peu c'est comme

si on agitait le système l'image qu'on peut donner c'est que vous laissez une bille rouler sur la surface naturellement elle va descendre vers le creux le plus proche et pour éviter qu'elle reste coincée dans le petit creux on agite comme ça la bille elle va remonter de temps en temps de manière aléatoire et elle va pouvoir aller tomber dans un creux plus profond cette agitation elle va être décrite par inton exactement de la même manière que les agitations thermiques vous le savez dans une pièce plus il fait chaud et plus les molécules sont agitées ben

là c'est pareil inton a utilisé les mêmes équations qu'en thermodynamique et qu'en physique statistique donc encore une fois ce sont bien des modèles issus de la physique qui ont permis d'améliorer l'intelligence artificielle grâce au neurones cachés et à l'ajout de l'aléatoire avec la fluctuation thermique inton a considérablement amélioré les réseaux de hfield et aujourd'hui grâce au réseau de neuron l'intelligence artificiel est capable de reconnaître des images complexes bien sûr c'est une utilisation parmi des milliers d'autres par exemple vous pouvez parcourir le réseau dans l'autre sens pour générer des images cette fois et vous pouvez même

régler les fluctuations aléatoires causées par l'agitation thermique si je demande à mi journée de générer des images de chaton qui partent en voyage si je mets peu d'aléatoire il va toujours tomber vers le même genre d'image et plus je rajoute d'aléatoire c'est un peu comme si j'augmentais la température dans le réseau de neuron et ben plus les images vont être varié là j'augmente encore il va me proposer des solutions encore plus diverse bon c'est loin d'être parfait par exemple à Paris ça fait longtemps que j'y suis pas allé mais il me semble qu'il y a

qu'une seule tour FL et par la suite on va affiner les algorithmes on va augmenter la puissance de calcul et ça va donner des résultats encore plus spectaculaire dans un autre domaine d'application on arrive à prédire la forme qu'une protéine va prendre en se repliant uniquement à partir de la séquence des acides aminés et pour ça toujours pareil on entraîne le réseau ça crée une surface d'énergie et ensuite on laisse le système tomber dans le creux le plus proche donc c'est pas de la physique théorique c'est vraiment une technologie mais historiquement le prix Nobel de

physique récompense assez peu les avancées théoriques c'est un prix qui récompense beaucoup plus plus les observations expérimentales et les applications technologiques le prix Nobel 2023 par exemple sur les impulsion ultra courte c'est pas une avancée théorique même s'il a fallu réfléchir de manière abstraite c'est une avancée technologique autre exemple Albert Fert un des 17 prix Nobel français en physique a été récompensé en 2007 pour des travaux sur la spintronique c'est une technologie basée sur les spin dont on a parlé au début et qui permet de stocker des données informatiques et de fabriquer des capteurs médicaux

donc le prix de cette année 2024 il rentre parfaitement dans l'état d'esprit du Nobel de physique ce sont des modèles physiques qui ont été utilisés pour créer une nouvelle technologie l'intelligence artificielle et quelle technologie on a là un outil qui est en train de transformer complètement nos sociétés et qui qui va sûrement nous aider à comprendre le fonctionnement de notre propre cerveau donc la controverse sur le fait de mettre cette découverte dans la case prix Nobel de physique je comprends que les gens se posent des questions mais pour moi c'est parfaitement justifié par contre il

reste une controverse sur l'éthique liée à la technologie effectivement il y a un débat à poser sur l'utilisation de liia c'est un outil extrêmement puissant qui peut apporter des bénéfices incroyables mais qui peut aussi faire beaucoup de dégâts s'il est utilisé avec de mauvaises intentions et donner le prix Nobel là-dessus ben c'est un très bon moyen de lancer la discussion c'est une manière de dire que le sujet est très important et qu'il faut en débattre de manière intelligente et nuancé il y a des dangers c'est pas une technologie anodine il y a vraiment une différence

de nature par rapport aux technologies précédentes si les machines finissent par augmenter leur intelligence de manière autonome sans l'aide des humains il peut y avoir un emballement bien sûr personne n'est capable de prédire ce qui va se passer mais ça n'empêche pas qu'il faille prendre conscience du danger si je lâche le volant sur la route je vais pas pouvoir prédire ce qui va se passer exactement mais bon je sens bien qu'il y a un danger là c'est pareil à mon avis il faut être sûr de garder le volant dans les mains il faut être sûr

de garder le contrôle j'espère que ça vous a plu si vous voulez que l'IA de YouTube mette en avant cette vidéo mettez un pouce bleu dans les prochains épisodes on continuera la série en cours sur la relativité en attendant portez-vous bien et que la science soit avec vous [Musique] [Applaudissements] [Musique] [Applaudissements] [Musique]